Spustenie AI asistenta v mobilnej aplikácii
Spoločnosť Magnit predstavila svoj vlastný AI asistenta s názvom Mёdik (Magic) priamo do mobilnej aplikácie "Magnit: Promócie a doručenie". Asistent, vyvinutý interným technologickým tímom spoločnosti pomocou technológií s otvoreným zdrojovým kódom a komerčného rozsiahleho jazykového modelu (LLM) tretej strany, umožňuje používateľom vybrať si produkty na základe špecifických kritérií, ako sú typy jedál. Podporuje aj zisťovanie stavu objednávok a riešenie problémov bez kontaktovania zákazníckej podpory.
Budúce vylepšenia rozšíria možnosti identifikácie maximálnych zliav na položky, poskytnú tipy na navigáciu v obchode, asistenciu pri samoobslužných pokladniach a odporúčanie kozmetických výrobkov a produktov starostlivosti o pleť prispôsobených individuálnym charakteristikám pleti. Magnit to považuje za prvého AI asistenta spusteného v mobilných aplikáciách maloobchodného sektora s potravinami.
Technický základ a počiatočná implementácia
AI využíva hybridný prístup: rámce s otvoreným zdrojovým kódom pre základnú funkčnosť v kombinácii s komerčným LLM pre pokročilé spracovanie prirodzeného jazyka. Toto nastavenie umožňuje zladenie produktov v reálnom čase z rozsiahlych katalógov, pričom čerpá zo štruktúrovaných údajov, ako sú atribúty, ceny a dostupnosť. Aktuálne funkcie sa zameriavajú na odporúčania založené na dotazoch, transformáciu nejasných vstupov používateľov – ako napríklad „ingrediencie na večeru“ – na presné assortimenty, čím sa zefektívňuje proces objavovania nakupovania.
Integrácia sa uskutočňuje natívne v rámci aplikácie, ktorá už pracuje s propagačnými akciami, doručovaním a vernostnými programami, o čom svedčí jej kľúčová úloha v multi-formátových maloobchodných operáciách spoločnosti Magnit. Týmto sa AI vnáša do každodenných interakcií používateľov bez toho, aby boli potrebné samostatné nástroje.
Dôsledky pre product feed v e-commerce
AI asistenti ako Mёdik priamo ovplyvňujú product feedy tým, že umožňujú dynamické filtrovanie a personalizáciu v čase dotazu. Tradičné feedy sa spoliehajú na statické pravidlá alebo manuálnu kuráciu, ale procesy zladzovania riadené LLM porovnávajú zámer používateľa s atribútmi feedu – cenou, kategóriou, stravovacími potrebami – čím sa urýchľuje relevancia bez rozsiahleho predbežného označovania. To znižuje latenciu pri aktualizáciách feedu, pretože zmeny v katalógu v reálnom čase sa okamžite šíria do odporúčaní.
Pre e-commerce s potravinami, kde assortimenty presahujú tisíce SKU s prchavou alebo propagačnou volatilitou, takéto systémy minimalizujú vystavenie neaktuálnym údajom. Výber založený na kritériách asistenta naznačuje vektorové vloženia alebo sémantické vyhľadávanie v rámci feedov, čím sa zvyšuje objaviteľnosť položiek s dlhým chvostom, ktoré rigidné feedy prehliadajú. Ak hľadáte pomoc s vlastným product feedom, pozrite si tento blog: /blog/product_feed/.
Zvýšenie štandardizácie katalógu
Katalógovanie v maloobchode často trpí nekonzistentnými štandardmi naprieč dodávateľmi, čo vedie k fragmentovaným údajom. Nasadenie Mёdiku vynucuje implicitnú štandardizáciu: dotazovaním na typy jedál alebo vlastnosti pleti si vyžaduje jednotné atribúty v backend katalógoch – nutričné profily, zoznamy ingrediencií, dermatologické značky. Postupom času to vedie k zlepšeniam v hornej časti, pretože neúplné údaje vedú k zlým odporúčaniam, čo tlačí tímy k zosúladeniu s novovznikajúcimi schémami.
V e-commerce, kde 70-80 % katalógov pochádza od rôznych predajcov, AI pôsobí ako brána kvality. Neštandardné záznamy zhoršujú presnosť LLM, podporujú prijatie protokolov ako GS1 alebo vlastných ontológií. Interná tvorba spoločnosti Magnit navrhuje vlastné vylepšenia na zvládnutie regionálnych nuancií produktov, čím stanovuje štandard pre škálovateľnú hygienu katalógu.
Vylepšenie kvality a úplnosti product cards
Product cards v aplikáciách s potravinami často nemajú hĺbku – chýbajú alergény, párovanie alebo náhrady – čo obmedzuje konverziu. Mёdik to rieši odvodením úplnosti z interakcií: neúplné karty zlyhávajú pri zložitých dotazoch, čo odhaľuje medzery pre iteratívne obohatenie. Budúce odporúčania starostlivosti o pleť si napríklad budú vyžadovať atribúty ako hladiny pH alebo hypoalergénne príznaky, čo si vyžaduje plnšie karty zohľadňujúce kontext.
To posúva e-commerce z popisných na prediktívne karty, kde AI vypĺňa chýbajúce polia odvodzovaním (napr. extrapoláciou vhodnosti jedla podľa ingrediencií). Výsledok: vyššia dôvera používateľov a nižšie vrátenia, pretože odporúčania sú v súlade so skutočnými potrebami. Pre infraštruktúru obsahu automatizuje pracovné postupy obohacovania a uprednostňuje položky s vysokou návštevnosťou. Zabezpečenie špičkových popisov vašich produktov môže znamenať rozdiel. Prečítajte si viac: /blog/how_to-create-sales-driving-product-descriptions-without-spending-a-fortune/.
Zrýchlenie rýchlosti nasadenia assortimentu
Rýchlosť pri výstupe nových assortimentov definuje konkurenčný e-commerce, najmä v potravinách, kde sú často propagačné akcie. Manuálne onboardovanie – testovanie feedov, kariet, propagačných akcií – trvá dni; AI to zredukuje na minúty. Funkcia vyhľadávania zliav Mёdiku, ktorá sa má spustiť, skenuje live feedy pre optimálne zhody, čo umožňuje okamžité zobrazenie bleskových výpredajov alebo sezónnych úvodov bez opätovného prechádzania.
No-code prvky to zosilňujú: základy s otvoreným zdrojovým kódom umožňujú presné ladenie výziev pomocou drag-and-drop a prekryvy pravidiel, čím obchádzajú fronty vývojárov. Maloobchodníci môžu A/B testovať správanie AI na podmnožinách assortimentu, rýchlo nasadiť víťazov v celej aplikácii. V prípade spoločnosti Magnit predznamenáva prepojenie AI so samoobslužnou pokladňou a pokynmi v obchode synchronizáciu omnichannelu, kde sa učenie z aplikácie optimalizuje fyzické rozloženie v reálnom čase.
No-Code AI a synergie automatizácie obsahu
Platformy No-code spárované s LLM znižujú bariéry nasadenia AI, ako je vidieť v základoch s otvoreným zdrojovým kódom Mёdiku. Technické tímy maloobchodníkov konfigurujú správanie pomocou vizuálnych rozhraní – reťazenie výziev pre dotazy, integračné háčiky pre rozhrania API objednávok – bez hlbokého kódovania. To demokratizuje procesy s obsahom: marketéri definujú logiku odporúčaní, operácie riešia toky podpory, čím sa urýchľuje iterácia.
Pre infraštruktúru e-commerce to odomkne generatívny obsah vo veľkom meradle: automatické generovanie popisov kariet, kópií propagačných akcií alebo personalizovaných balíkov z údajov z feedu. Riešenie podpory spoločnosti Magnit prostredníctvom AI je toho príkladom, predchádzajúci lístkom syntézou histórie objednávok a zásad. Hypotéza: ako modely dozrievajú, no-code štandardizuje AI v reťazcoch, čím sa skracujú vývojové cykly z mesiacov na týždne pri zachovaní vlastných okrajov. Správu vašich údajov pre tieto nástroje uľahčuje nástroj ako program na spracovanie cenníkov – pozrite si tento článok: /blog/price-list-processing_program/.
Retailer's.ru informoval o spustení, čím zdôraznil jeho rozsiahly status v potravinách. VentureBeat pokrýval súvisiace inovácie v oblasti AI pracovnej sily, čím poukázal na širší potenciál platformy. Spravovanie vašich e-commerce operácií často závisí od správneho formátu vašich údajov. Prezrite si naše podrobné návody o formátoch CSV a JSON: /blog/csv-format-how-to-structure-product-data-for-smooth-integration/ alebo /blog/json-format-how-one-store-turned-chaos-into-fast-synchronization/
Spustenie AI asistenta spoločnosti Magnit zdôrazňuje významný trend smerom k využívaniu AI na objavovanie produktov a zlepšovanie skúseností spotrebiteľov, najmä pokiaľ ide o e-commerce v sektore potravín. Tento krok signalizuje tlak na štandardizáciu katalógu a bohatšie údaje o produktoch na kŕmenie AI modelov. Pre platformy ako NotPIM to podčiarkuje rastúci význam správy informácií o produktoch pri podpore sofistikovaných funkcií riadených AI. Tento vývoj vnímame ako pozitívny krok smerom k inteligentnejším a efektívnejším e-commerce operáciám.